“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

AI多模态情绪分析系统，是人工智能与心理学、计算机视觉、听觉感知等学科深度融合的前沿方向。它不再局限于传统的问卷答题，而是像一位敏锐的观察者，通过分析你的面部微表情、语音语调、肢体语言，甚至生理信号，来实时、客观地"读懂"你的情绪状态。这种技术正在心理健康、教育、人机交互等领域开启全新的可能性。 这套系统的核心在于"多模态"和"融合"。它模拟了人类如何综合视觉、听觉信息来理解对方情绪的过程。 多源数据采集：系统通过摄像头、麦克风等设备，同步采集个体的面部视频、语音音频，甚至可接入可穿戴设备获取心率等生理信号。 单模态特征提取：针对每种数据，用不同的AI模型提取情感特征。 视觉：分析面部肌肉运动（如嘴角上扬、眉毛紧蹙）、头部姿势、眼神等。先进的技术甚至能捕捉难以伪装的微表情（持续仅1/25至1/5秒），或通过分析面部血流图谱（rPPG）来感知生理唤醒水平。 听觉：提取语调、语速、音高、能量（MFCC梅尔频率倒谱系数）等声学特征，判断声音中的情绪色彩。 文本/语义：如果涉及对话，系统还会分析说话内容的语义，理解话语背后的真实意图和情感倾向。 多模态融合与情感解码：这是最关键的一步。系统通过复杂的深度学习算法（如Transformer、自监督多任务学习框架等），将来自不同模态的特征信息进行时空对齐和深度融合。例如，一句愤怒的"我没事"，配上闪躲的眼神和紧绷的嘴角，才会被准确识别为"掩饰性的愤怒"，而非字面意思的"没事"。  

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

1. 通过医院患者体检数据，进行大数据分析，找出特定疾病的隐性特征，并利用机器学习理论预测患者患病概率。2. 开发针对特定疾病诊断的深度学习模型，完成AI自动生成诊断报告，代替人工诊断，实现快速就诊。3. 开发出真菌AI

松鼠AI，通过人工智能智适应学习系统，加上线下实际的学习场景，设立先进的教学模式，能够将优质教学送到全国各地，让全国的孩子在同等的情况下享受到公平的、优质的教育资源。

基于大数据和 AI 的应用，可实现复杂场景下的网络问题识别、多场景优化方案的协同策略方案的动态和自动化执行。可以构建智能网络规划及运维平台，以实现极致性能和极简运维，使能新业务的自动化覆盖优化、移动性优化、负载均衡优化、节能优化、故障分析与定位。同样可以基于无线数据和视频数据融合的用户个体及群体行为在多场景应用下，充分发挥5G的优势，创造巨大的社会效益。